基本上算是没怎么学过数字信号处理这门课，因为本科的时候，专业方向用不上，现在没法子了，专业使然，只能自己自学了，但是我又不知道该从何学起，就买了一本现代数字信号处理，结果发现人家把第一章基础知识给删了，这我就斯巴达了。。。所以就又搞了本绿皮的，先跟着这本书学。
首先，先看一下什么是信号、系统以及信号处理：
我们把信号定义成随着空间、时间或者其他自变量而变化的物理量，在数学上一个信号被描述为一个或和几个变量的函数，如：、
描述了两个型号，一个是线性变化，另一个是二次方变化，像这种纯粹是准确数学定义的信号，我觉得可能是模拟的时候会多一些，但是，事实上，很多信号的函数关系是为止的，或者说是太复杂。
系统可以定义成对某个信号进行某种操作的一台物理设备；
当一个信号经过一个系统的时候，我们就说已经对这个信号进行了处理，一般来说系统由对其对信号所执行的操作来表征，比如说，操作是线性的，那就是线性系统，非线性的那就是非线性系统。
## 数字信号处理系统的基本组成：
我们遇到的大多是信号都是自然模拟信号，也就是说，信号是连续变量的函数，这些连续变量通常会在一个连续范围内取值，这类信号可以直接被合适的模拟系统处理，以改变信号的特征或者提取有用信息。
模拟信号处理可以这样表示：
但是，模拟信号很难处理，所以转向了使用数字信号处理，要执行数字处理，就要在模拟信号和数字处理器之间设计一个接口，一般称之为(A/D)转换器，输入的是模拟信号，输出的是数字信号，那么要将数字信号转化为模拟信号也很简单，用(D/A)转换器：
好了，至于数字信号处理，他优劣点我们就不说了，不好的话，就没人会去研究数字信号处理了，对不对。
好了，闲话不说了，来看一下信号的分类：
我们在处理信号或者分析系统对信号的响应时所采用的方法，主要是依赖于信号的特征属性，所以，在信号处理中的任何研究调查都应该始于特定应用中的信号分类.
1、多通道信号和多维信号
在一些应用中，信号是由多个信源和多个传感器生成的，这样的信号是可以用矢量形式一i表示的，就局最简单的例子，地震信号：他包括了P波、S波、面波等，而如果我们把 代表第k个传感器所发出的电信号，那么我们就可以把信号集用矢量S表示：
这样的信号就是多维信号（但似乎他只有一个自变量）
但是如果从自变量的角度出发，就是另外的一种说法了：单个自变量的，那就是一维信号，多个自变量的，那就是多维信号，就比如说：信号,他只有一个自变量，那他就是一维信号，而信号
,他有三个自变量，那他就是三维信号，从自变量角度理解的话，我觉得好一些。
2、连续的时间信号和离散时间信号
这个实际上是取决于自变量的特征和取值，但我觉得，自变量他就不一定必须是时间，也可以是空间，但是，先从时间来看：信号是可以分成四类的：
（1）连续时间信号：
每一个时间值上有定义且在一个连续的区间[A,B]内取值，A和B不用管，只要是A<B，不违反数学规律就行，这些信号在数学上是可以有一个连续变量的函数表述，比如说，有个信号：
（2）离散时间信号：
定义在某些特定的时间值上，这些时间点不需要是等距离（但一般都会去取等距离的间隔，因为这样方便计算）,和上面的那个信号用于，只不过这次我们不再让t连续变化，而是这个样子：
这下就变成了离散的时间信号
都是一个函数表达式，但是连续的和离散的做出来，区别的效果非常明显了。
实际上，在应用中，离散时间信号是可以通过两种方式出现的：
（1）、在离散时间点上选择模拟信号值，这一过程就被称为采样，在规则的时间间隔上采取的所有测量手段都可以提供离散的时间信号
（2）、通过在一段时间内积累某个变量，也可以生成离散时间信号。
3、连续值信号和离散值信号
联系时间信号或者离散时间信号的值可以是连续的或者是离散的。
如果一个信号在一个有限或者无限范围内取所有可能的值，那就可以称之为连续值信号，
如果信号只在可能取值的有限集上取值，就称之为离散值信号，一般来说，这些信号都是等距的，所以可以表达为两个连续值之间距离的整数倍。
具有离散值的离散时间信号称为数字信号。
我们要对一个信号进行数字处理，那么这个信号在时间上必须是离散的，而且取值也必须是离散的，如果信号以模拟形式出现，那就要现在离散的时间点上对模拟信号进行采样，进而得到离散时间信号，然后再把其数值量化到某个离散值集上，以便于将其转化为数字信号。
将连续信号转化为离散值信号的过程称为量化，基本上就是一个近似过程，量化可以只通过四舍五入和截断来完成。
4、确定性信号和随机信号
对信号进行数学分析的时候，要知道清号本身具有的数学表达式，这种数学描述通常被称为信号模型：
任何一种可以被一个显示数学表达式、数据表或者一个定义好的规则所描述的信号，就是确定性信号，也就是说，通过数学表达式，我们可以准确的计算得到其过去和未来的所有取值，不存在不确定性。
随机信号恰恰和确定性信号相反，一句话就是捉摸不透，没法子用数学公式显式表达到一个合理精度，或者就是，模型太复杂，没有任何实际的使用价值。
好了，今天就到这里吧，得写汇报了。
